MétaCan
Menu
Retour à la cohorte
Enregistrement W2036241734 · doi:10.1139/er-2013-0076

Water resource developments in Ethiopia: potential benefits and negative impacts on the environment, vector-borne diseases, and food security

2014· article· en· W2036241734 sur OpenAlexvenueno aff
Delenasaw Yewhalaw, S. Hamels, Yehenew Getachew, Paul R. Torgerson, Marios N. Anagnostou, Worku Legesse, Helmut Kloos, Luc Duchateau, Niko Speybroeck

Notice bibliographique

RevueEnvironmental Reviews · 2014
Typearticle
Langueen
DomaineImmunology and Microbiology
ThématiqueParasites and Host Interactions
Établissements canadiensnon disponible
Organismes subventionnairesVlaamse Interuniversitaire Raad
Mots-clésFood securityWater resource managementEnvironmental scienceVulnerability (computing)AgricultureEnvironmental protectionGeographyEcologyBiology

Résumé

récupéré en direct d'OpenAlex

To satisfy the growing demand for electricity, Ethiopia plans to increase its electricity production five-fold between 2010 and 2015, mainly through the construction of dams. A literature review shows that while dams can boost power and agricultural production, promote economic development, and facilitate flood control, they can also lead to environmental, ecological, and socioeconomic changes. Several case studies show that dams may alter the composition and density of vectors and intermediate host species, increase the incidence of malaria schistosomiasis and possibly lymphatic filariasis, and lead to eutrophication of reservoirs, soil erosion, and earthquakes. There is evidence that dams and commercial irrigation schemes can increase soil and water degradation, vulnerability to drought, and food insecurity in riverine and lacustrine areas downstream of dams. It appears that dams in Ethiopia are also vulnerable to high soil erosion rates and earthquakes. Consequently, the current and proposed large-scale dam construction program in Ethiopia requires in-depth research to improve our understanding of the unintended negative effects of projects and to guide the location, design, and implementation of appropriate preventive and remedial programs.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,506
Score d'incertitude au seuil0,741

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,012
Tête enseignante GPT0,235
Écart entre enseignants0,223 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnvironmental ReviewsMême sujetParasites and Host InteractionsTravaux en français237 207